Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS (gemini-3.8-flash-tts), Google का फ़्लैगशिप क्रिएटिव टेक्स्ट-टू-स्पीच मॉडल है. इसे स्टूडियो-ग्रेड की आवाज़, शानदार एक्टिंग, स्थानीय लहजे, और लंबी सिलसिलेवार बातचीत के दौरान स्थिरता बनाए रखने के लिए बनाया गया है.

खास जानकारी और सुविधाएं

Gemini 3.8 Flash TTS, भावनात्मक ऑडियो जनरेट करने के लिए एक नया बेंचमार्क सेट करता है:

• आवाज़ की क्वालिटी और ऐक्टिंग की बारीकियां: इसमें भावनाएं ज़ाहिर करने के लिए अलग-अलग तरह के शब्दों का इस्तेमाल किया जाता है. साथ ही, बोलने का तरीका स्वाभाविक होता है. इसमें बारीकी से यह ध्यान रखा जाता है कि style लेवल के निर्देशों और इनलाइन वोकल इवेंट (<laugh>, <sigh>, <short pause>) का सही तरीके से पालन किया जाए.
• लंबे समय तक चलने वाली सिलसिलेवार बातचीत में आवाज़ की स्थिरता: लंबे डायलॉग और कई मिनट तक चलने वाले नरेशन में, आवाज़ की पहचान, टोन, वॉल्यूम, और कमरे के ऐको को एक जैसा बनाए रखता है. साथ ही, आवाज़ में बदलाव नहीं होता.
• क्षेत्र के हिसाब से उच्चारण और लहजे का सही इस्तेमाल: इसमें क्षेत्र के हिसाब से उच्चारण, अल्पसंख्यक बोलियों, और लाइन में मौजूद इंटरनेशनल फ़ोनेटिक अल्फ़ाबेट (आईपीए) को बदलने की सुविधा मिलती है.
• आवाज़ से जुड़े पूरे ईकोसिस्टम के साथ काम करता है: यह पहले से मौजूद आवाज़ों, एक्सटेंडेड वॉइस लाइब्रेरी (GET /v1beta/voices), कस्टम वॉइस डिज़ाइन पर्सोना, और वॉइस रेप्लिकेशन के साथ बिना किसी रुकावट के काम करता है. इसमें डिफ़ॉल्ट रूप से, सेव की गई आवाज़ें और बिना स्टेटस वाली कुंजियां शामिल होती हैं. Google AI Studio में, आवाज़ों को इंटरैक्टिव तरीके से डिज़ाइन और कॉपी भी किया जा सकता है.

सुविधाओं, प्रॉम्प्ट के सबसे सही तरीकों, और कोड के उदाहरणों के बारे में पूरी जानकारी के लिए, टेक्स्ट को आवाज़ में बदलने की सुविधा वाली गाइड पर जाएं.

किस टीटीएस मॉडल का इस्तेमाल कब करना चाहिए

Gemini 3.8 के दोनों टीटीएस मॉडल, एक ही एपीआई स्कीमा और प्रॉम्प्टिंग स्ट्रक्चर का इस्तेमाल करते हैं. अपने वर्कलोड के हिसाब से मॉडल चुनें:

माइग्रेशन गाइड

अगर आपको gemini-3.1-flash-tts-preview या इससे पहले के Gemini TTS मॉडल से माइग्रेट करना है, तो Gemini 3.8 TTS स्कीमा के लिए अपने अनुरोधों को अपडेट करें:

1. मोड़ के हिसाब से दिए गए निर्देशों को speech_metadata में ले जाएं: Gemini 3.8 टीटीएस, इनपुट टेक्स्ट को हूबहू ट्रांसक्रिप्ट के तौर पर लेता है. "Say cheerfully: Hello!" या "Speaker 1: Hello!" जैसे इनलाइन टेक्स्ट निर्देशों को तेज़ आवाज़ में सुनाया जा सकता है. सस्टेंड डिलीवरी के निर्देशों (style) और स्पीकर लेबल (speaker) को स्ट्रक्चर्ड मेटाडेटा में ले जाएं:
   • Interactions API: हर टेक्स्ट कॉन्टेंट ब्लॉक में "type": "speech_metadata", "speaker", और "style" के साथ एनोटेशन अटैच करें.
   • GenerateContent API: हर part में "speech_metadata": {"speaker": "...", "style": "..."} अटैच करें.
2. सिर्फ़ कुछ समय के लिए होने वाली आवाज़ की घटनाओं के लिए, ऐंगल-ब्रैकेट वाले इनलाइन टैग इस्तेमाल करें: कुछ समय के लिए होने वाली आवाज़ और पॉज़ को ट्रांसक्रिप्ट में इनलाइन रखें. इसके लिए, ऐंगल ब्रैकेट (जैसे कि <laugh>, <sigh>, <cough>, <breath> या <short pause>) का इस्तेमाल करें. बोलने के तरीके, जैसे कि फुसफुसाना, speech_metadata.style में रखें.
3. एक से ज़्यादा स्पीकर वाले अनुरोधों में, हर बार speaker तय करें: एक से ज़्यादा स्पीकर वाले अनुरोध में, हर बार speech_metadata के अंदर speaker को साफ़ तौर पर शामिल किया जाना चाहिए. यह, कॉन्फ़िगर किए गए किसी स्पीकर से मेल खाना चाहिए.
4. आवाज़ के डिज़ाइन की मदद से, पहले से ही पर्सोना डिज़ाइन करें: लेगसी ऑडियो प्रोफ़ाइल / डायरेक्टर के नोट वाले लंबे ब्लॉक को आवाज़ के डिज़ाइन में बनाई गई कस्टम आवाज़ से बदलें. इसके बाद, टीटीएस के अनुरोधों के साथ उस voice_... आईडी को कम से कम या खाली style स्ट्रिंग के साथ भेजें.
5. एकल अनुरोधों पर डिफ़ॉल्ट WAV (audio/wav) आउटपुट के लिए खाता: gemini-3.1-flash-tts-preview और इससे पहले के टीटीएस मॉडल (जो डिफ़ॉल्ट रूप से हेडरलेस रॉ पीसीएम audio/l16 दिखाते थे) के उलट, Gemini 3.8 टीटीएस, एकल अनुरोधों के लिए डिफ़ॉल्ट रूप से स्टैंडर्ड RIFF हेडर के साथ WAV ऑडियो (audio/wav / AUDIO_WAV) दिखाता है.
   • अगर आपके कोड में पहले रॉ पीसीएम बाइट को WAV हेडर में रैप किया गया था (उदाहरण के लिए, Python के wave मॉड्यूल या ffmpeg का इस्तेमाल करके), तो मैन्युअल हेडर रैपर को हटा दें. साथ ही, लौटाए गए बाइट को सीधे .wav फ़ाइल में लिखें.
   • अगर आपकी पाइपलाइन के लिए, हेडरलेस रॉ पीसीएम, म्यू-लॉ या ए-लॉ ऑडियो की ज़रूरत है, तो response_format को "audio/l16" ("AUDIO_L16"), "audio/mulaw" ("AUDIO_MULAW") या "audio/alaw" ("AUDIO_ALAW") पर सेट करें. ऑडियो आउटपुट फ़ॉर्मैट देखें.

gemini-3.8-flash-tts

इस्तेमाल की जा सकने वाली भाषाएं

gemini-3.8-flash-tts इनपुट की भाषा का अपने-आप पता लगाता है और 130 भाषाओं में काम करता है: